文章核心观点 - 科幻与科技加速重叠，AI的终极目标是超级人工智能（ASI），这将引发对商业软件公司未来、人类工作形态以及人类存在意义的根本性思考 [1][5] 商业软件公司的未来演变 - 传统商业软件的核心逻辑“功能封装”将因大模型而变得多余，用户可通过自然语言指令直接完成全流程，软件形态将从“产品”转变为“服务流”或“意图代理” [6] - 软件公司角色将发生根本转变，从产品提供商转变为“Agent运营商”，其护城河不再是代码，而是领域知识、数据资产与伦理治理能力 [7][8] - 行业案例显示，SAP等公司已采取“AI优先，套件优先”战略，通过AI打破数据孤岛，实现业务流程端到端丝滑流转，为Agent开箱即用奠定基础 [7] 人类工作形态的转变 - AI发展速度迅猛，ChatGPT出现不到三年已能完成编程、设计、法律文书等曾被视为“高技能”的工作，预计5年后AI替代部分人类工作将成为显而易见的事实 [9][10] - “不用工作”不等于“没有任务”，人类仍需设定目标、评估结果、处理模糊性与价值冲突，对AI工作进行判断和决策将成为新的工作形态 [12] - 未来人类需要持续学习以具备决策力，可能涌现“Agent伦理审计师”、“意图澄清师”等新职业，审美等能力将变得至关重要 [12][13] 技术发展趋势与预测 - 阿里巴巴CEO吴泳铭提出AI的终极目标是ASI，届时每个人将有上百个Agent服务，大模型将吞噬软件，不再需要工程师专业开发的商业软件 [1] - 凯恩斯曾预测到2030年人均工作时长将减至每周15小时，但现实是人均GDP已增长7倍以上，全球主流工作时长仍为每周35至40小时，中国互联网大厂甚至存在“996”现象 [1]

AgentKit产品定位与市场分析 - OpenAI发布AgentKit，提供可视化画布Agent Builder用于通过拖拽节点方式创建、管理和版本化多智能体工作流[2] - LangChain创始人认为市场不需要AgentKit这类可视化工作流构建器，其本质是构建Workflow而非真正的Agent[3][10] - 可视化工作流构建器处于尴尬位置，受到来自高复杂度与低复杂度两个方向的挤压：简单任务用无代码Agent更方便，复杂任务必须用代码实现稳定可靠[3][18] 工作流与Agent的本质区别 - Workflow流程固定，包含分支、并行等复杂逻辑，在可视化界面上体现为各种节点和连接线[2][9] - Agent逻辑被简化并抽象成自然语言，由LLM自主决定循环调用哪些工具来完成目标[2][8] - 工作流以牺牲自主性换取更高可预测性，Agent以牺牲可预测性换取更高自主性，但两者均无法单独保证稳定可靠的良好结果[8] 不同复杂度问题的解决方案 - 高复杂度场景需要代码化工作流实现高可靠性，需支持大量分支、并行处理和模块化设计[14] - 低复杂度场景可用无代码Agent（Prompt+工具）解决，其可靠性已足够且搭建更简单[16] - 随着LLM迭代，无代码Agent能解决的问题复杂度上限将持续提升[17] 无代码工作流构建器的核心问题与发展方向 - 无代码工作流构建器面临非技术用户使用不轻松、复杂任务难以管理导致界面杂乱等问题[22] - 未来方向应聚焦于让用户更轻松地用无代码方式搭建稳定可靠的Agent，而非低代码工作流[23] - 需优化代码生成模型，使其更擅长编写LLM驱动的工作流/Agent相关代码[23]

具身智能与机器人发展路径 - 公司目标是实现通用AI与通用机器人的结合，使其能在工厂或家庭中完成各种任务 [9] - 机器人发展的ChatGPT时刻定义为：能在陌生环境中根据自然语言指令完成任务 [10] - 技术路线图分为四个阶段：固定动作演示（已实现）、实时生成任意动作（预计2024年底/2025年初实现）、陌生场景执行任务（预计2025年底实现）、高成功率精细操作（需数年，目标成功率99.9%） [11] 机器人硬件与芯片挑战 - 行业目前可能低估了芯片对机器人的重要性 [15] - 通信协议优化是减少线缆的关键，工业机器人60-70%的故障源于线缆问题 [16] - 机器人硬件面临空间限制，高算力芯片难以安装，同时存在电池容量和散热难题 [20] - 具身智能设备峰值功耗需控制在100W以内，平均功耗20-30W，手机芯片在机器人应用上具有想象空间 [21][22] 行业协作与开源策略 - 行业处于黎明前夜，因技术路线差异大导致整体进展缓慢 [23] - 在模型尚无法直接部署的阶段，倡导开放态度，公司已开源其世界模型，包括权重、数据集及训练代码 [23][25] - 在AI领域需保持谦卑和学习态度，避免被过往经验限制创新 [28] 端侧AI与Agent发展 - Agent形态正从云端向端云协同演进，端侧模型具备“永远在线”、响应快和隐私保护优势 [31][32] - 端侧模型将成为Agent系统的核心编排者，负责感知用户需求并与云端模型协同 [34] - 端侧模型需持续提升知识密度，目标每三个月提升一倍，与芯片、终端深度协同至关重要 [35][36][38] Agent的服务本质与生态整合 - Agent的核心竞争力在于其提供服务的能力，选择Agent如同选择操作系统，取决于其服务生态 [42][43] - AI基于对话的自然交互模式有望打破PC、手机等终端的生态孤岛，成为统一交互模态 [41] 行业标准与基础设施共建 - 当前AI应用碎片化严重，缺乏跨终端的统一AI OS或Agent Framework [44] - 未来可能形成以Cloud OS为核心、终端Agent协同的新时代操作系统架构 [45] - 行业需通过产业共建推动基础设施发展，例如通过联合实验室优化混合AI方案 [46][47]

AI市场变化与腾讯战略调整 - 国内大模型市场更集中，开源成为重要战略，DeepSeek横空出世[7] - 腾讯产品服务从只基于混元大模型变为开放整合多家大模型[8] - AI产品赛道兴起，公司调整组织架构，CSIG承担前端产品责任，TEG提供底层技术支持[8] 元宝业务接管决策 - 2023年12月汤道生主动举手接管元宝业务，认为AI Chatbot已变成用户频繁使用的产品[9][10][13] - CSIG具备To C产品资源与经验，与TEG在云服务合作基础上再度联手[10][11] - 任命原腾讯会议负责人Lori Wu带领元宝，加速产品从0到1建设[12] DeepSeek接入决策过程 - DeepSeek R1发布后用户需求强烈，但DeepSeek自有App限制较多[8] - Pony马化腾在群聊中建议元宝接入DeepSeek，总办讨论仅两三天就达成共识[23][24][27] - 尽管初期团队有顾虑，但最终以用户需求为导向快速推进[25][26][30] - 腾讯成为国内最快动手接入DeepSeek的大厂，企业客户和用户反馈正面[27] 产品整合与资源调配 - 微信给予元宝前所未有支持，包括广告位、新闻插件及视频号公众号联动[35] - 腾讯新闻、QQ、游戏、浏览器、输入法等产品逐步与元宝联动[36] - 团队重建需要大量招聘大模型产品经理、搜索专家和研究人员[40] - 产品持续补足能力，改善搜索准确性、语音识别和图片修改等功能[40] AI Chatbot产品定位 - 元宝目标是成为C端搜索信息新入口，公司已将浏览器、搜狗与输入法等工具类产品转到CSIG[16] - 产品呈现专业助手定位，特别在高知用户群体中受欢迎[68][69] - 微信内元宝更人性化风趣，App版本更正式解决问题导向[67][73] - 公司希望服务年轻用户和所有积极使用AI的人群，实现智能平权[70][71][72] 搜索与大模型关系演进 - 新一代搜索服务转向智能体驱动方式，由大模型理解意图再针对性获取内容[17] - 两种路径并存：先搜再解读和模型先理解再搜索，需要大模型判断适用场景[43] - 元宝可使用微信公众号、视频号等公开内容，通过RAG方式输出答案[44] - 但微信个人信息不会用于大模型训练，模型训练需要高质量知识内容[45] 组织管理与考核方式 - 元宝采用扁平化管理，不给团队设定期例会，通过日报数据和产品体验反馈管理[57][60] - 考核关注DAU和每个功能使用量，以及答案准确性和产品体验主观感受[63] - 团队大量启用毕业3-5年年轻人，鼓励敢想敢拼敢试错的文化[63] - 产品与模型研发适度解耦，混元按自己节奏迭代，元宝基于稳定版本做产品[113] AI Chatbot市场竞争格局 - Chatbot战役是集全集团之力，继移动互联网后的关键战役[122][123] - 预计不会出现微信式大一统格局，市场将更分散，不同产品找到目标用户[89][91][92] - 产品形态仍以对话为核心，但会涌现不同产品形态和玩家侧重[96][97] - AI可视为"生活上的操作系统"，比传统操作系统更智能强大[98][99] To B市场AI应用 - AI在To B是激烈战场，云厂商通过配套云服务实现收入增长[133] - 企业关注模型应用落地，实现业务降本增效，营销是最愿意花钱场景[133][135] - 腾讯云智能体开发平台支持超过140个MCP插件服务，扩展智能体工具能力[140] - 公司聚焦平台建设，生态伙伴负责最后一公里服务交付[144] 行业趋势与创业建议 - 大数据市场高速增长，驱动因素包括湖仓一体、大数据+ML融合和大数据+LLM/Agent[152][153] - 创业公司难避巨头竞争，建议在大厂生态找机会或专注海外市场[149][150] - 海外用户付费意愿更高，很多创业团队选择做海外市场[147] - 腾讯元宝暂未计划出海，先聚焦服务国内用户[148]

"一人公司"是未来么 - AI技术平权趋势下创业门槛降低，出现一人公司案例实现1亿美元收入[7] - 生产工具能力提升使生产效率和组织结构变化，一人可完成更多工作[7] - 国内一人公司发展尚早，需对接生态环境形成商业闭环[8] - 团队规模浓缩至4-5人可验证产品可行性，10人团队可达数十万美元月收入[8] - 伟大商业模式初期可一人启动，但后续发展仍需团队支撑[9] - 投资策略可更早介入个体创业者，帮助单点突破后追加投资[9] 今天的投资人，在投AI的时候都在投什么 - 投资策略从大模型转向应用层，关注Agent和具身智能方向[12] - 更关注创业者变化而非预设赛道，看重年轻创造者的实践能力[12] - 机器人领域关注导航、局部运动、交互和操作四大核心能力，目前交互和操作仅解锁5%-50%[13][14] - 材料侧的人机交互存在未解决问题，影响穿戴设备和机器人发展[14] - 2024年下半年60%投资分布在应用层，模型Agentic能力提升激发复杂场景应用[15] - 2023-2024年投资方向集中在大模型、算力芯片和具身智能，2024年下半年应用领域机会显现[16] - 应用层发展可为AI行业造血，带来百花齐放的非共识投资机会[17] AI让"学习"更快了，创业者的"年龄"越来越不重要 - 25岁创业者历史常见，如丁磊26岁创业，马化腾、张一鸣等均在20多岁成功[19][20] - 学习通路和知识习得速度质变，AI工具使年龄因素重要性下降[20] - 创业者需具备学习能力和人事匹配度，组织能力重要性边际下降[21] - 南方创业教育低龄化，初中高中开始灌输创业理念[21] - 创新本质比年龄更重要，需关注颠覆式创新结果[21] 超级能卷的巨头之下，年轻人还有哪些创业缝隙 - 避开大厂显而易见方向如模型迭代、高度依赖智能的Coding和Agent领域[24] - 选择垂类赛道而非通用方向，与大模型保持安全距离[24] - AI时代广告商业模式可能不存在或大幅变化，大厂会直接做应用[24] - 移动互联网到AI非天然延展，共享经济等新公司可在非巨头核心领域成长[23] 攀比融资没意义，花钱可能比融钱更难 - 融资不应成为安全感或虚荣符号，需避免无意识攀比估值[27][28] - 优秀团队融资需详细规划资金用途，具备花钱能力比融资更难[29][30] - 超级团队是个例而非范例，市场化定价基于人才、资本、政府资源和产业号召力[29] - 投资需关注团队深度思考能力，如应对大厂竞争的策略思想实验[32] 产品导向vs技术驱动，哪条路更容易成功 - 理解用户需求比技术先进更本质，创业应避免拿锤子找钉子[34][35] - 成熟投资人寻求六边形战士，技术栈复杂需多维度能力融合[35][36] - 应用公司需平衡用户需求理解和技术边界认知，创始人需具备学习迭代能力[37] - 技术边界收敛前押注技术有道理，应用时代现实世界手感更重要[38] 在AI创业时代创业，如何避免成为炮灰 - 建立商业模式护城河，技术搭好脚手架，平衡生存与远景实现沿途下蛋[40] - 信息对称下靠速度和迭代取胜，壁垒应建立在模型之外的业务流和网络效应[40] - 模型技术变化快速，避免炮灰关键在速度而非产品创新或数据飞轮[41] - 动手实践寻求差异化，快速验证获取用户反馈是亘古不变的原则[41]

Agent对SaaS行业的战略必要性 - Agent不是SaaS厂商的选择题，而是关乎生存的必答题，厂商需主动进行技术升级以避免被颠覆[4] - 2025年被视为Agent商用元年，Agent作为“代理人”角色与带有强业务属性的SaaS系统高度契合，是SaaS拥抱AI的合适方式[4][12] - AI为极度内卷的SaaS行业提供了重新产生差异化的机会，现阶段各厂商答题方式不同，保守估计两三年内难以同质化[30][31] SaaS与Agent融合的技术挑战与应对 - Agent技术架构以月为单位快速迭代，处于未定型状态，是主要技术挑战之一[7][21] - 将Agent嵌入成熟的SaaS系统如同两个封闭系统的“体外结合”，无论是基于开源框架还是成熟平台，均需大量“手搓”式改造工作[7][21] - 拥抱MCP协议需要对SaaS系统进行Server端改造，需要很大的决心和工作量[7][21] - 目前大模型像刚毕业的大学生，通用能力强但专业能力不足，公司在构建Agent时需迁就其智能不足，通过Know-how引导来保证实用性[22] - 为应对挑战，公司产研团队采用双团队运作模式：一个团队维持现有框架迭代，另一个团队持续探索新技术框架[7][26] Multi-Agent（多智能体）模式的优势与实践 - Multi-Agent模式可弥合通用Agent的不足，让每个Agent专注于特定业务体系和角色定位，落地性和可实践性更强[24] - Multi-Agent能让SaaS用户更好地代入，具有更强的拟人感，例如电商商户可清晰看到交付、营销、导购等不同Agent[25] - 在复杂业务场景下，Multi-Agent协作是当前大模型条件下更可落地的方案[25] - 公司早在2023年8月就通过内部Demo“赛博编辑部”探索Multi-Agent协同，该产品包含主编、文案、设计等不同角色Agent协同工作[4][23] Agent对SaaS商业模式和客户流程的影响 - 随着Agent与SaaS关系深化，SaaS的订阅付费商业模式将改变，未来可能按Agent执行结果（如交互次数、内容生成量）计费[8][18] - 理想的Agent商业模式是为其能力和产生的结果价值付费，而非其使用的工具订阅费[18] - 企业拥抱AI宜采用务实路径：先在原有业务流程基础上，于局部岗位加入Agent赋能，待AI想象力培养起来后再进行颠覆性重构[8][15] - 目前大部分企业对AI落地的想象力有限，更易接受在现有流程中部分环节用AI提升效率的方案，例如将文案创作环节从100%人工切换到50%人工加AI生成[15] 公司的AI战略布局与差异化竞争 - 公司在大模型领域采取“三条腿走路”策略：自研模型应用、广泛对接外部模型、小组探索前沿技术如MCP和开源组装[20] - 公司同时布局To B产品（WAI、WAI Pro）和To C产品（WIME），通过To C产品直接面对用户以快速获取反馈并迭代产品[29] - 在Agent浪潮中，公司定位为垂直领域的专业厂商，认为专业度是未来竞争核心，平台型生态赋能者与垂直专业厂商方向是一体化的[33] - 公司于2023年5月发布企业级AI应用产品WAI，并将其接入微商城、企微助手等原有SaaS产品，作为“All in AI”的起点，如今Agent成为新的发力点[5] 行业未来展望 - 未来SaaS与Agent的关系将被重塑，SaaS可能沉入水面下方，真正浮在水面上的只有Agent，SaaS将成为Agent众多工具和行动出口的落脚点之一[8][13][14] - 具备较多客户基础或行业影响力的大厂在向AI升级时具备先发优势，因为AI功能在未充分验证前难证其价值，大厂在验证环节更有优势[32] - 公司认为要在产业链中站住脚，需要成为深耕的专业者，满足企业对专业诉求的平权化需求[33]

市场表现与资金流向 - 9月29日主要股指分化，创业板指上涨逾2.00%，沪指下跌0.04%，深成指上涨1.13% [1] - 云计算ETF沪港深（517390）早盘上涨1.34%，且连续3日获资金净流入，累计吸金超2366万元 [1] - 计算机ETF（159998）盘中上涨0.28%，成交额超8000万元，在同标的产品中居首 [1] 行业事件与合作动态 - AICC2025人工智能计算大会于9月26日至27日在北京举办，聚焦人工智能基础设施建设和国产AI算力体系优化 [2] - 浙江硅基方舟机器人有限公司与阿里云计算有限公司在云栖大会期间签署全面合作协议 [2] 行业趋势与商业模式演变 - Agent正实现类人替代，中国企业对于能直接快速降本、ROI远大于1的Agent应用付费意愿更高 [2] - 软件商业模式向SaaS订阅转变，Agent商业化落地是大势所趋，其总目标市场TAM约3.61万亿元 [2] - 行业价值高度集中于上游核心技术供应商，未来将逐步向软件与服务端转移 [3] - 行业商业模式将从硬件向“硬件+软件+生态服务”一体化闭环演进，软件平台和生态系统将创造最大价值 [3] 相关产品与指数构成 - 云计算ETF沪港深（517390）跟踪中证沪港深云计算产业指数，前十大重仓股包括腾讯控股、中际旭创等 [1] - 计算机ETF（159998）跟踪中证计算机主题指数，成分股涉及信息技术服务、应用软件等领域 [1]

文章核心观点 - 在2025骁龙峰会·中国上，行业核心玩家共同探讨了AI与Agent技术为终端设备（特别是具身智能机器人）带来的新想象，并剖析了当前行业面临的技术路线分歧、部署挑战及开放协作的必要性 [1][2][3] 具身智能机器人的发展路径与挑战 - 宇树科技CEO王兴兴提出了通用AI机器人发展的四阶段路线图：固定动作演示（已实现）、实时生成任意动作（预计最快2025年底/2026年初实现）、在陌生场景执行任务（预计2026年底左右实现）、高成功率与精细操作（目标成功率接近99.9%，需再数年） [11][12] - 机器人面临部署大规模算力的难题，包括空间限制导致高算力芯片难以安装、电池容量及散热问题难以解决 [20][21] - 机器人峰值功耗理想目标需控制在100W以内，平均正常功耗为20-30W，相当于几个手机的功耗，手机芯片应用于机器人领域具有想象空间 [23][24] - 工业机器人最常见的故障是线缆问题，可能占到故障总数的60%-70%，减少线缆数量对提升可靠性至关重要，目标是将每个手臂的线缆减少至仅一根 [16][17][19] 端侧AI与Agent系统的关键作用 - 端云协同已成为行业共识，端侧模型具备"永远在线"的优势，可持续感知世界、保障用户隐私，并作为核心编排者协同云端Agent完成复杂任务 [35][38] - 端侧模型需不断提升知识密度，面壁智能提出知识密度每三个月提升一倍的观点，以更好地适应各种硬件设备和用户场景 [39] - 在汽车座舱等具体终端场景，端侧模型能基于本地感知（如感知到后座小朋友哭闹）快速响应并协同云端模型提供服务，避免隐私暴露 [36] 行业协作与开放生态建设 - 当前行业处于黎明前夜，各家技术路线差异大导致整体进展缓慢，建议在模型尚无法直接部署的阶段保持开放态度，通过开源促进共同进步 [25][28][29] - 宇树科技已开源其基于视频生成的世界模型，包括模型、数据集、训练及部署源代码，旨在推动领域共同发展，类似OpenAI早期开源GPT-1/2的策略 [26][28] - 行业需共建基础设施以应对碎片化挑战，例如中科创达与高通、火山引擎等合作共建创新中心与联合实验室，推动混合AI方案优化 [48][51] Agent的服务本质与未来操作系统 - Agent的核心竞争力在于其能提供的服务能力，用户选择Agent的逻辑将类似于选择操作系统，关键在于其接入服务的广度与深度 [44][47] - 理想汽车的"理想同学"Agent已从车内服务扩展至生活场景，如点咖啡、交水电费、叫代驾等 [47] - 未来有望形成跨终端的操作系统，由Cloud OS与各终端Agent协同工作，AI将作为一种全新的UI催生新的AI OS [50]

根据提供的行业研报内容，以下是关于AI驱动下SaaS与CRM行业的关键要点总结： 行业投资评级 - 报告未明确给出具体的行业投资评级（如优于大市、中性或弱于大市）[1][2][3][4] 核心观点 - AI正驱动SaaS与CRM行业发生根本性变革，从被动响应转向主动洞察，并重构软件主导权[2][3][4] - 未来5-10年，AI Agent将成为“意图理解操作系统”的核心，控制流量分配权[2] - AI SaaS的核心竞争力将落脚在“可信度”与“可解释性”上[4] - 未来的CRM产品将基于开放API与行业联盟构建，成为集成多维度服务的智能大脑[4] AI Agent的演进路径 - AI Agent现处于三个发展层次：预测型AI（如Salesforce的Einstein引擎每周提供2亿次精准预测）、Copilot模式（需人工主导）、向Agent智体的演进（实现意图识别和自主决策）[2] - 未来的Agent将具备更强自主性和决策能力，从单一AI Action组件发展为多Agent协同的智能网络[2] - 预计5-10年内，Agent将成为“意图理解操作系统”的核心，理解用户意图并控制流量分配权[2] - 人与AI的交互模式将从“人使用Agent”演进为“人与多个Agent协同”，最终达到Agent间自主协作[2] SaaS产品形态变革 - SaaS产品将实现“三化”突破：交互拟人化（自然语言成为软件源代码）、功能原子化（AI Agent专注解决特定问题，如从万份简历筛选候选人）、服务主动化（从被动响应转向主动洞察和预警）[3] - 开发范式正经历“以模型为中心”的根本性转变，代码生成能力快速提升[3] - 阿里云代码生成采用率从25%提升至50%，预计将进一步达到80-90%[3] - 代码生成提升使2个人的效率相当于过去40-50人的开发团队，实现从“看得见的自动化”到“看不见的自动化”的飞跃[3] 数据治理与模型可控性 - AI SaaS核心竞争力将落脚在“可信度”与“可解释性”上[4] - AI引擎必须建立在本地化数据底座之上，结合企业私有数据、权限管理和行业定制规则完成严格隔离与审计[4] - 大模型在训练和推理环节须提供透明的决策链路，支持可视化的因果追踪与风险评估[4] - 这将提升业务主管对AI建议的信任度，并为引入监管报告和内部审计提供技术手段[4] 未来CRM生态格局 - 未来CRM产品不再是单一厂商的闭环系统，而是基于开放API与行业联盟构建的智能大脑[4] - 能够集成供应链管理、金融风控、供应商评级、第三方数据源等多维度服务[4] - 借助Agent化编排引擎，不同系统间的信息流和工作流将实现无缝衔接[4] - 例如在大客户项目推进时，CRM能自动调取合同系统、审核财务及法务流程，触发供应商履约监控和售后支持，最终生成全流程绩效评估报告[4] - 这种跨域协同与智能化闭环将赋予企业更强的数字化韧性与协作效率[4]

文章核心观点 - Agent（智能体）被视为AI落地的关键载体，行业正进入Agent时代 [1][7] - 阿里云通过发布高代码Agent开发框架ModelStudio-ADK，展示了其在Agent领域的饱和式投入决心，旨在推动AI在真实业务场景的落地 [1][4][11] - 阿里云定位为“全栈人工智能服务商”，通过提供从底层算力到上层模型及Agent工具链的全栈服务，支持AI应用的工业化生产 [19][21] Agent行业趋势与共识 - 全球科技巨头（如英伟达、微软）均看好Agent，认为其是数万亿美元级别的机会 [7] - 中国科技巨头（阿里、字节、百度、华为）已积极布局Agent开发平台，各行业应用激进 [8] - 到2024年12月，中国头部综合类AI原生应用Agent数量已超10万个，2025年可能达百万级 [10] - 分析机构Gartner预警，到2027年底可能有超40%的Agentic AI项目被取消，当前热潮存在炒作成分 [10] 阿里云的技术与产品布局 - 基础模型层面：发布通义大模型Qwen3-Max等7款模型，核心性能宣称超越GPT-5 [4] - 技术愿景层面：提出ASI（超级人工智能）愿景，认为大模型是下一代操作系统 [4] - 应用落地层面：一站式平台“百炼”发布高代码Agent开发框架ModelStudio-ADK，突破预定义编排局限 [4][11] - ModelStudio-ADK基于AgentScope打造，推理性能提高50%，决策成功率达90%，支持200多款模型调用 [13] - 该框架集成7大企业级能力，支持复杂业务逻辑转化，可1小时内开发DeepResearch等项目 [15] - 平台支持多Agent联动，兼容主流Agent调用协议，支持异步、同步调用 [15] Agent开发模式探讨 - 行业存在低代码与高代码开发路径之争，面向真实业务场景的精品Agent需要高代码开发 [11][16] - 高代码开发源于Agent需连接真实物理世界，深度融合业务知识库、系统对接与外部能力调用 [11] - 阿里云采取ADP（低代码）与ADK（高代码）双平台策略，满足不同复杂度需求 [16][18][19] - 阿里云百炼平台已有超20万开发者开发了80多万个Agent [18] - 低代码平台应用案例：网商银行贷款审核应用，任务处理时间从3小时优化至5分钟内，准确率超95% [18] 阿里云的战略定位 - 阿里云致力于成为“全栈人工智能服务商”，提供公有云、云计算能力、上层模型及Agent工具链 [19][21] - 全球范围内，仅谷歌与阿里进行了类似的全栈AI业务布局 [21] - 全栈能力是打通Agent商业化最后一公里、推动精品Agent涌现及ASI时代到来的关键 [21]